[發明專利]一種基于數據增廣和深度學習的玉米生長參數主被動遙感反演方法

有效

• 申請號: 202011265251.4
• 申請日: 2020-11-13
• 公開（公告）號: CN112487879B
• 公開（公告）日: 2023-01-17
• 發明（設計）人: 廖靜娟;雒培磊
• 申請（專利權）人: 中國科學院空天信息創新研究院
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/774;G06V10/80;G06V10/764;G06V10/82;G06N3/045;G06N3/08;G06T7/62
• 代理公司: 北京京萬通知識產權代理有限公司 11440
• 代理人: 許天易;王躍交

1.一種基于數據增廣和深度學習的玉米生長參數主被動遙感反演方法，其特征在于：包括以下步驟：

S1：數據預處理，其包括分別對光學和雷達影像進行預處理得到輸入數據，以及對所述輸入數據進行歸一化處理；

S2：利用Beta數據混合方法對有限的實測葉面積指數和生物量數據及其對應遙感數據同時進行混合處理，以建立大量虛擬訓練樣本來進行數據增廣，其中，所述Beta數據混合方法包括：

使用鄰域分布來計算經驗鄰域風險，其中，鄰域分布為：

其中，μ代表鄰域分布，n為樣本數量，E代表期望，δ(x＝x_i,y＝y_i)是狄拉克函數，x_i,y_i表示從真實數據中隨機采樣的同分布訓練樣本，λ服從Beta分布，即λ～Beta(α，α)，α∈(0，∞)，所述鄰域分布通過使用服從Beta分布的數據進行插值，建立虛擬的數據與標簽對：

其中(x_i，y_i)和(x_j，y_j)是從訓練集中隨機抽取的訓練樣本，λ是插值系數其受參數α的控制；

通過Beta數據混合方法得到最小化經驗鄰域風險，表示為：

其中，R_β(f)為通過Beta數據混合方法得到的最小化經驗鄰域風險，為預測模型，y_i1和y_i2是合成對應的數據的葉面積指數或生物量實測值；以及

S3：通過基于門控機制的孿生深度網絡結合光學與雷達遙感數據構建葉面積指數和生物量反演模型，其中，對于所述基于門控機制的孿生深度網絡，給定訓練樣本其中分別為葉面積指數、鮮生物量和干生物量的實測值，x_opt，x_SAR分別表示光學和雷達遙感數據，結合最小均方誤差損失函數，基于多任務學習的目標函數被定義為：

其中LAI，Biomass_wet，Biomass_dry為反演模型輸出的葉面積指數、鮮生物量及干生物量的反演預測值；MSE為均方誤差，定義為：

公式(14)使用的是經驗風險最小化準則，將其與公式(5)結合，即將公式(14)中的LAI，Biomass_wet，Biomass_dry使用公式(5)中估計λ的方法代替，并將公式(15)帶入，得到結合Beta混合模型的基于鄰域風險最小化的目標函數，得到最終的訓練目標函數：

其中T^LAI(·，·)，以及分別表示葉面積指數、鮮生物量、干生物量的獨立預測層與光學和雷達數據提取的深度特征及融合層組合成的基于門控機制的孿生深度神經網絡模型。

2.根據權利要求1所述的方法，其特征在于：在步驟S1中，給定輸入數據(x_o,y_o)，數據歸一化的具體方法為：

其中，x_o代表的是數據歸一化前的遙感特征，左側x代表數據歸一化處理后的遙感特征，為輸入數據的均值，σ²為輸入數據的方差。

3.根據權利要求1所述的方法，其特征在于：在步驟S3中，所述基于門控機制的孿生深度網絡包括融合層和回歸層，其中，所述融合層用于光學和雷達遙感數據的深度融合，以及所述融合層包括用于提取每個通道互補的有效信息并降低相互干擾的門控制層以及用于實現特征的非線性變換、增加模型的映射能力并完成數據由高維向低維或者由低維向高維的映射的第一全連接層。